近年來,由于人工智能(AI)和機器學習(ML)的進步,人臉識別技術得到了飛速發展。目前,日本計劃使用面部識別技術來驗證將于7月至8月在東京舉行的2020年奧運會的運動員身份。
基于識別人臉圖像的計算機程序,人臉識別技術在相對較短的時間內就已經達到了驚人的成熟度。執法機構使用它來維護社會安全,零售商使用它來減少盜竊的發生,機場使用來增強旅行者的舒適度和安全性,手機公司使用它來為客戶提供新的生物識別安全性。
近年來,由于人工智能(AI)和機器學習(ML)的進步,人臉識別技術得到了飛速發展。由于有足夠的高質量訓練數據和處理能力,計算機現在可以以高精度和高速度檢測,分類和識別面部。人臉的計算機識別為該技術在廣泛領域中的日益廣泛應用鋪平了道路。
隨著近幾十年來犯罪和恐怖活動的激增,人們感到需要一種復雜的安全系統來識別個人,其中基于面部的應用(例如面部檢測和面部識別)可以發揮至關重要的作用。
一、人臉識別技術的發展
面部識別技術的早期采用者包括銀行,事件管理器,法醫調查員,軍事專業人員和執法機構。在過去的幾十年中,這是人臉識別技術進步的一些重要里程碑:
這項技術的起源可以追溯到1960年代,當時伍德羅·威爾遜·布萊索(Woodrow Wilson Bledsoe)首次使用電磁脈沖對各種面部特征(包括眼睛,鼻子,發際線和嘴部)進行了手動測量,并將其插入數據庫中。隨后,在收到新照片后,系統便能夠從數據庫中檢索與該個人最相似的圖像。
1970年代,研究人員Goldstein,Harmon和Lesk建立了21個面部測量點,包括嘴唇厚度和頭發顏色,以自動識別面部。
在1980年代,Kirby和Sirovich使用線性代數使用了大約100個面部測量點,為面部圖像的低維表示鋪平了道路。
在1990年代,Turk和Pentland發明了第一個基于圖像的粗略自動人臉檢測。然后,美國國防高級研究計劃局(DARPA)和美國國家標準技術研究院(NIST)推出了人臉識別技術(FERET)程序,該程序涉及創建人臉圖像數據庫。該數據庫在2003年進行了升級,以包含高分辨率的24位彩色圖像版本。
在2010年代,Facebook創建了圖像身份自動標記人員,這些人員的臉孔可能會出現在FB用戶每天更新的照片中。從那時起,每天使用臉部識別功能將一百萬張照片上傳并標記在FB上。
2011年,巴拿馬機場安裝了第一個人臉識別監視系統,以減少毒品走私和有組織犯罪。該系統導致逮捕了多個國際刑警嫌疑人。
值得注意的是,2011年,基地組織負責人本·拉登(Osama bin Laden)的尸體在美國突襲中被殺后,使用人臉識別被識別。產生了視覺ID;他使用了幾次照片比較和其他面部識別技術,并對面部和身體特征進行了全面的生物特征分析,以識別本·拉登。
2017年,iPhone X成為全球最暢銷的帶有面部識別訪問控制的手機,用于設備安全。
目前,日本計劃使用面部識別技術來驗證將于7月至8月在東京舉行的2020年奧運會的運動員身份。
二、人臉識別的步驟
用人機視覺比喻,照相機像人的眼睛,而計算機像人的大腦。攝像機捕獲了世界的圖片,并在計算機上進行了進一步的處理和解釋。可以采用不同的技術來處理和分析捕獲的圖像。
人們可以輕松地從一個物體結束的地方識別出該物體,然后從一個物體開始另一個物體。對象的邊緣,色差和紋理用于計算機中的識別,這稱為分割。
計算機可以看到任何物體,以與人類視覺相同的方式進行識別和圖像處理,并生成適當的輸出。對觀察到的圖像進行解釋,并進行相應的適當分析和采取措施。
從圖像序列的幾幀中找到特定對象的軌跡。可以計算特定對象的速度和距離,并可以進行未來的路徑預測。
圖像之間的不同匹配點,相機的位置和方向,場景中三維形狀的重建可以從靜止場景的幾幅圖像中找到。
大致而言,人臉識別技術涉及以下步驟:
人臉檢測:一種計算機輔助算法,可以對相機捕獲的圖像進行預處理。這會導致易于識別的清晰圖像。隨后,進行定位,并提取臉部特征。
人臉識別:處理檢測到的人臉圖像,并將其與已知人員的數據庫進行比較;將提取的特征與存儲的特征進行比較,以找出匹配的可能性。根據相似的特征將它們分組或分類,以識別個人。
通過身份識別記錄中未知人與面部圖像的一對一匹配,可以自動驗證個人身份。通過對未知人群的身份進行編碼,并將其與包含已知人群的已編碼圖像的數據庫進行比較,以進行身份識別。
三、人臉識別技術的用途和應用
人臉識別已在各個領域中發揮了重要作用,例如安全性驗證和人機交互。結果,它已經成為模式識別領域的研究熱點。研究人員正在成功地在計算機視覺領域實施可工作的面部識別系統。可以在邊界控制和鑰匙鎖機構更換等領域中設想這種技術的無限潛力。
類似于當今已成為各種產品不可或缺的一部分的Internet,GPS和許多其他技術,人臉識別的根源扎根于國防和執法部門,在圖像驗證和識別方面非常有用。
執法機構廣泛使用面部識別技術。監視場所的攝像機實時,連續地捕獲所有對象的圖像,最重要的是,無需任何人的注意即可捕獲所有對象的圖像。
面部識別監控可以識別所有在日常生活中移動的人。盡管實時識別個人的能力已經成為現實,但在像美國這樣的西方國家,由于先前的犯罪記錄,大多數人都被包含在有證件的人臉識別數據庫中。例如,當零售商想要逮捕試圖從其商店中偷竊的人時,他們依靠這些人的照片上傳到私人面部識別數據庫中。由于入店行竊者大多是強迫罪犯,因此警報可以指示店內保安人員在這些人重新進入商店時對其進行觀察。這樣可以減少盜竊的發生率,并減少發生暴力的機會。
倫敦大都會警察正在使用面部識別技術來查找通緝犯和失蹤人員。該技術已部署在“特定位置”,每個位置都有通緝犯的“量身定做的監視清單”,通常是暴力罪犯。
隨著全國各地的警察部隊計劃用技術驅動的解決方案代替人工流程,印度正朝著在執法中增加使用新興技術的方向邁進。工程學院正在幫助警察利用AI,社交媒體分析和圖像處理來識別罪犯,進行交通管理并防止恐怖活動。
印度的警察部隊開始采用技術,并與數字領導者合作打擊犯罪。他們已經實現了以電子方式提交第一信息報告(FIR)的系統,以通過應用程序,網站甚至是物聯網(IoT)設備提交信息來減少人員參與。警察采取的綜合策略包括使用AI和ML識別和捕獲數字和非數字證據,面部識別以及虛擬地預測犯罪。這些舉措導致使用基于AI的人臉檢測(ABHED)建立犯罪數據庫。當警察發現可疑人物時,他們應該拿出智能手機,單擊圖片,然后進入數據庫以確定他/她是否是罪犯。
該技術可能不是100%可靠的,但是它使警察工作變得更加容易。它播下了一支高科技部隊的種子,該部隊可以隨時獲得照片,犯罪活動和成千上萬罪犯的身體細節。早些時候,這些數據是在各個州分區分別編譯的,并且保留了不同的物理記錄。所有這些使預防犯罪成為一項繁重的任務,因為警察無法快速訪問它。
最近,在北方邦的70個監獄中安裝了基于AI的監獄監視系統。AI算法會分析安裝在監獄中的數百臺攝像機的反饋信息,以實時檢測暴力行為,監獄違規行為和未經授權的訪問,以及時向當局發出警報。
現在也幾乎沒有必要設置警察路障并在車內窺視以抓捕罪犯。泰米爾納德邦(Tamil Nadu)通過安裝基于AI的系統Tollscope建立了一個在線車輛基地,該系統已與30個收費廣場相連。如果用于犯罪的車輛越過任何一個廣場,都會立即向當局發出警報。泰米爾納德邦(Tamil Nadu)還與Telangana警方合作,開發了基于AI的自動化系統,對沒有頭盔的兩輪摩托車駕駛員處以罰款。國家犯罪記錄局已開始在全國范圍內部署自動面部識別系統,以識別太平間中的罪犯,失蹤人員和無人認領的尸體。
四、人臉識別應用中的挑戰
在最近的過去,由于其可靠的識別能力和與現有技術的容易兼容性,生物識別領域受到了最大的關注。由于其他識別系統存在漏洞,因此在生物識別領域進行了廣泛的研究。研究人員正在努力開發一種更加用戶友好的系統,以追求安全系統的要求,這需要更準確的結果來保護隱私和資產。
由于恐怖活動的大量增加,建立更加先進的安全系統以識別個人的重要性迅速增加。研究人員提出了許多方法來從圖像和視頻中識別人臉。以下是與人臉識別系統相關的一些挑戰:
身體變化:老化;面部表情變化 個人外觀(面部頭發,化妝,發型,眼鏡,偽裝)。
采集中的幾何變化:比例的變化,面部(面向相機)的面內旋轉和位置在采集中產生幾何變化。旋轉(如傾斜的相機)或輪廓的呈現和全額正面的不可用等深度,也會在采集中造成幾何形狀變化。
成像變化:攝像機變化,照明變化,頻道特征(尤其是廣播或壓縮圖像中的變化)。
可靠性和成本效益是當前面部識別系統的主要挑戰因素。許多研究人員針對不同方面,例如處理面部檢測和面部識別本身中的某些問題的算法。來自真實環境的自然場景可能包括幾個因素,例如背景噪聲,雷電條件變化和姿勢變化,這些因素可能不會出現在預收集的圖像中。
研究還表明,總體結果在面部識別方面存在性能問題。因此,對于所有技術而言,非常需要多個樣本。這些技術在諸如身份證驗證和護照驗證之類的特殊情況下可能會失敗,因為一個人只有一張圖像。
從側面圖像或從某個顯著角度拍攝的圖像很難檢測到人。具有暗度,部分比面部其余部分明亮,模糊,陰影或帶眼鏡的面部的面部圖像在檢測任何單個面部時都非常困難。
盡管取得了飛速的進步,但是人臉識別還遠遠不夠完美,并且容易出錯。即使面部識別系統的準確率達到99.7%,由于0.3%的錯誤率,始終存在抓錯人的風險。幾種環境因素會影響面部識別系統的準確性。相應地,舊金山和波特蘭禁止公共機構在監控攝像頭中使用面部識別。
事實證明,這項技術是有爭議的,部分原因是它具有侵犯人們隱私的能力,而且還因為沒有不同的培訓數據,它對于某些類型的人(主要是白人)可能比其他人更有效。
五、有關人臉識別使用的擔憂
毫無疑問,執法在調查過程中依賴情報收集。任何警察機構收集信息的直覺都是不可抗拒的,并且實際上是其培訓和標準操作程序的一部分。期望大多數追求公共安全的人員對信息,尤其是面部識別技術可以收集的信息量,采取合理的限制措施。
結合公共攝像機使用面部識別進行大規模監視沒有任何危害。但是,也可以以被動方式使用它,而無需受試者的知識,同意或參與。最重大的危險是將該技術用于一般的,無懷疑的監視系統時。
國家機動車機構擁有的公民照片可以很容易地與公共監視或其他攝像機結合起來,以建立一個全面的識別和跟蹤系統。任何本質上個人和個人信息的“批量”收集都是一個令人關注的問題。“合理的隱私期望”和“作為公共安全基礎的信息”道德之間的微妙平衡很難維持。在沒有任何明確的使用或目的計劃的情況下可獲得大量信息,這使它應對應引起全體公民注意的濫用行為負責。
不幸的是,威權國家的人臉識別正在迅速成為警察和政府控制的常規工具。警察掃描無辜的旁觀者的臉來尋找罪犯的做法與人們對公共場所隱私的期望背道而馳。將該技術傳播到最終覆蓋街道的攝像機網絡并不是不可能的。
實際上,自從1960年代發明人臉識別技術以來,沒有任何其他技術比人臉識別技術更能引起人們的興趣和對濫用的恐懼。人權活動家擔心,作為一種非常侵入性的監視技術,它可能會以國防為幌子提供破壞民主的新機會。
在我們對隱私的合理期望與規定的《憲法》所設想的信息收集需求之間需要保持平衡。不斷擴大的監視技術新浪潮不應使個人隱私試金石失敗。
在功效方面,需要開發一種有效的實時面部識別系統,該系統可以在具有針對每個人的單個圖像的訓練數據庫的系統上工作。以前的大多數研究都是基于多張圖像。此外,大多數研究人員的工作都是基于某些前提條件,這導致了許多限制。由于這些限制和性能問題,在真實環境中實際實現人臉識別非常具有挑戰性。
這些問題導致我們需要開發實時,更高效的人臉識別應用程序,以及需要人工干預的異構數據匹配系統。近來,已經提出了一種用于混合面部識別技術的新穎方法。該人臉識別系統是使用主成分分析(PCA)和支持向量機(SVM)開發的。在Oracle研究實驗室(ORL)數據庫以及實際環境中都對其進行了檢查。通過基于單個圖像的該方法,就準確性而言,提高了面部識別性能。值得注意的是,名為OpenCV的開源計算機視覺已經成為一種編程功能庫。整個庫是一個提供實時圖像處理的跨平臺。
-
人工智能
+關注
關注
1791文章
47184瀏覽量
238266 -
人臉識別
+關注
關注
76文章
4011瀏覽量
81860
發布評論請先 登錄
相關推薦
評論